Journal of Zhejiang University

Current Issue: <FITEE>

Frontiers of Information Technology & Electronic Engineering (former title: Journal of Zhejiang University SCIENCE C (Computers & Electronics), 2010-2014)

ISSN 2095-9184 (print); ISSN 2095-9230 (online); CN 33-1389/TP; Monthly.

FITEE is an international peer-reviewed journal indexed by SCI-E, Ei Compendex, DBLP, IC, Scopus, JST, CSA, etc. It covers research in Electrical and Electronic Engineering, including Computer Science, Information Sciences, Control, Automation, Telecommunications, and related disciplines.

Impact factor: 0.308 (2011), 0.297 (2012), 0.380 (2013), 0.415 (2014), 0.392 (2015), 0.622 (2016), 0.910 (2017), 1.033 (2018), 1.604 (2019), 2.161 (2020), 2.526 (2021).

Frontiers of Information Technology & Electronic Engineering

ISSN 2095-9184 (print), ISSN 2095-9230 (online), monthly

2023 Vol.24 No.11 P.1513-1664

Cover:

<854>

Contents:

<249>

<<< CONTENTS >>>

Perspective

Perspective: Software development in the age of intelligence: embracing large language models with the right approach

Xin PENG

DOI: 10.1631/FITEE.2300537 Downloaded: 4566 Clicked: 2025 Cited: 0 Commented: 0(p.1513-1519) <Full Text> <PPT> 397

Chinese summary <26> 智能化时代的软件开发：拥抱大模型的正确姿势

Review Article

Review Article: Magnetically driven microrobotsmoving in a flow: a review

Jiamiao MIAO, Xiaopu WANG, Yan ZHOU, Min YE, Hongyu ZHAO, Ruoyu XU, Huihuan QIAN

DOI: 10.1631/FITEE.2300054 Downloaded: 6209 Clicked: 1730 Cited: 0 Commented: 0(p.1520-1540) <Full Text> <PPT> 385

Chinese summary <24> 流体内磁驱动微米机器人运动前沿研究综述

苗佳淼^1,2，王潇朴²，周燕²，叶敏²，赵洪宇²，许若愚¹，钱辉环^1,2
¹香港中文大学（深圳）理工学院，中国深圳市，518172
²深圳市人工智能与机器人研究院，中国深圳市，518129
摘要：磁驱动微米机器人能够在人体内局部低侵入性地执行特定任务。为到达体内病灶区域，微米机器人常常需要在比静止液体更为复杂的流动血液内进行导航运动。因此，相应的精准控制方案设计更具挑战性。目前已有许多关于磁控微米机器人在流体内的运动控制及其理论研究。本文回顾总结了有关磁控微米机器人在流体中的最新研究进展，包括流动系统的建立、运动的动力学建模以及控制方法。此外，讨论了当前面临的挑战和局限性。希望本文为微米机器人在复杂流体环境中的高效控制提供新的思路，并加快微米机器人在临床应用中的研究。

关键词组：微米机器人；流体；动力学建模；控制

Research Articles

Embedding expert demonstrations into clustering buffer for effective deep reinforcement learning

Shihmin WANG, Binqi ZHAO, Zhengfeng ZHANG, Junping ZHANG, Jian PU

DOI: 10.1631/FITEE.2300084 Downloaded: 9022 Clicked: 2281 Cited: 0 Commented: 0(p.1541-1556) <Full Text> <PPT> 512

Chinese summary <24> 基于专家示教聚类经验池的高效深度强化学习

王士珉¹，赵彬琦¹，张政锋¹，张军平¹，浦剑²
¹复旦大学计算机科学技术学院上海市智能信息处理重点实验室，中国上海市，200433
²复旦大学类脑智能科学与技术研究院，中国上海市，200433
摘要：作为强化学习领域最基本的主题之一，样本效率对于深度强化学习算法的部署至关重要。与现有大多数从不同类型的后验分布中对动作进行采样的探索方法不同，我们专注于策略的采样过程，提出一种有效的选择性采样方法，通过对环境的内部层次结构建模来提高样本效率。具体来说，首先在策略采样过程中使用聚类方法生成动作候选集，随后引入一个用于对内部层次结构建模的聚类缓冲区，它由同轨数据、异轨数据以及专家数据组成，用于评估探索阶段动作候选集中不同类别动作的价值。通过这种方式，我们的方法能够更多地利用专家示教数据中的监督信息。在6种不同的连续运动环境中进行了实验，结果表明选择性采样方法具有卓越的强化学习性能和更快的收敛速度。特别地，在LGSVL任务中，该方法可以减少46.7%的收敛步数和28.5%的收敛时间。代码已开源，见https://github.com/Shihwin/SelectiveSampling。

关键词组：强化学习；采样效率；采样过程；聚类方法；自动驾驶

A hybrid-model optimization algorithm based on the Gaussian process and particle swarm optimization for mixed-variable CNN hyperparameter automatic search

Han YAN, Chongquan ZHONG, Yuhu WU, Liyong ZHANG, Wei LU

DOI: 10.1631/FITEE.2200515 Downloaded: 9911 Clicked: 2659 Cited: 0 Commented: 0(p.1557-1573) <Full Text> <PPT> 424

Chinese summary <23> 一种基于高斯过程与粒子群算法的CNN超参数自动搜索混合模型优化算法

闫涵，仲崇权，吴玉虎，张立勇，卢伟
大连理工大学控制科学与工程学院，中国大连市，116024
摘要：卷积神经网络（CNN）在许多实际应用领域中有着快速发展。然而，CNN性能很大程度上取决于其超参数，而为CNN配置合适的超参数通常面临着以下3个挑战：（1）不同类型CNN超参数的混合变量编码问题；（2）评估候选模型的昂贵计算成本问题；（3）确保搜索过程中收敛速率和模型性能问题。针对上述问题，提出一种基于高斯过程（GP）和粒子群优化算法（PSO）的混合模型优化算法（GPPSO），用于自动搜索最优的CNN超参数配置。首先，设计一种新的编码方法高效编码CNN中不同类型的超参数。其次，提出一种混合代理辅助（HSA）模型降低评估候选模型的高计算成本。最后，设计一种新的激活函数改善模型性能并确保收敛速率。在图像分类基准数据集上进行了大量实验，验证GPPSO优于最先进的方法。以金属断口诊断为例，验证GPPSO算法在实际应用中的有效性。实验结果表明，GPPSO仅需0.04和1.70 GPU天即可在CIFAR-10和CIFAR-100数据集上实现95.26％和76.36％识别准确率。

关键词组：卷积神经网络；高斯过程；混合模型；超参数优化；混合变量；粒子群优化

A modified harmony search algorithm and its applications in weighted fuzzy production rule extraction

Shaoqiang YE, Kaiqing ZHOU, Azlan Mohd ZAIN, Fangling WANG, Yusliza YUSOFF

DOI: 10.1631/FITEE.2200334 Downloaded: 9742 Clicked: 2754 Cited: 0 Commented: 0(p.1574-1590) <Full Text> <PPT> 482

Chinese summary <22> 一种改进的和声搜索算法及其在权重模糊产生式规则获取中的应用

叶绍强¹，周恺卿¹，Azlan Mohd ZAIN²，王方岭¹，Yusliza YUSOFF²
¹吉首大学通信与电子工程学院，中国吉首市，416000
²马来西亚理工大学信息处理技术学院，马来西亚柔佛州士姑来, 81310
摘要：和声搜索算法(harmony search, HS)是一种随机元启发式算法，其灵感来自于音乐家的即兴创作过程。针对HS在求解中易陷入局部极值等不足，本文提出一种混合布谷鸟算子的改进的和声布谷鸟搜索算法(modified HS withahybridcuckoosearch (CS) operator, HS-CS)增强全局搜索能力。该算法首先对HS音高扰动调整方法的随机性进行分析，根据和声库中解的质量生成自适应惯性权重，并重构微调带宽寻优，提升HS的寻优效率及精度。其次，引入CS算子扩大解空间的搜索范围和提高种群密度，从而能够在随机生成和声和更新阶段快速跳出局部极值。最后，构建动态参数调整机制以提高算法寻优的效率。通过证明3个定理揭示HS-CS是一种全局收敛的元启发式算法。在实验部分，选取12种经典的测试函数优化求解以验证HS-CS算法的性能。数值分析结果表明，HS-CS在处理高维函数优化问题上显著优于其他算法，表现出较强鲁棒性、高收敛速度以及收敛精度。为进一步验证算法在实际问题求解中的有效性，将HS-CS用于优化BP神经网络进行加权模糊产生式的规则抽取。仿真实验结果表明，HS-CS优化后的BP神经网络能够获得较高的规则分类精度。因此，从理论和应用方面都证明了HS-CS是行之有效的。

关键词组：和声搜索算法；布谷鸟搜索算法；全局收敛；函数优化；权重模糊产生式规则抽取

Smooth tracking control for conversionmode of a tilt-rotor aircraft with switching modeling

Kebi LUO, Shuang SHI, Cong PENG

DOI: 10.1631/FITEE.2300266 Downloaded: 1716 Clicked: 2066 Cited: 0 Commented: 0(p.1591-1600) <Full Text> <PPT> 411

Chinese summary <23> 基于切换系统建模的倾转旋翼机过渡模式光滑跟踪控制

罗苛比，史爽，彭聪
南京航空航天大学自动化学院，中国南京市，211106
摘要：本文使用切换建模和光滑插值技术，研究倾转旋翼机过渡模式的状态跟踪控制问题。基于过渡模式的非线性动力学模型，采用Jacobi线性化方法，并根据倾转角设计切换信号，建立线性切换系统模型。在此基础上，设计状态跟踪控制方案解决过渡模式的控制问题。该方法不直接限制控制输入的幅值，而采用改进的光滑插值方法实现无扰切换。最后，以XV-15倾转旋翼机为例，验证该控制方案的有效性。

关键词组：倾转旋翼机；状态跟踪控制；线性切换系统；类时间依赖的多Lyapunov函数方法；光滑插值

Amultimodal dense convolution network for blind image quality assessment

Nandhini CHOCKALINGAM, Brindha MURUGAN

DOI: 10.1631/FITEE.2200534 Downloaded: 3964 Clicked: 1777 Cited: 0 Commented: 0(p.1601-1615) <Full Text>

Chinese summary <22> 一种针对盲图像质量评估的多模态密集卷积网络

Nandhini CHOCKALINGAM, Brindha MURUGAN
国立技术学院计算机科学与工程系，印度提鲁奇拉帕利，620015
摘要：科技进步不断扩大通信行业的潜力。图像在加强交流中发挥着重要作用，已被广泛应用。因此，图像质量评估（IQA）对优化传递给终端用户的内容至关重要。在IQA中使用卷积神经网络面临两个常见难题。一是这些方法难以提供图像最佳表示，另一个问题是模型具有大量参数，容易导致过拟合。为解决这些问题，提出一种参数更少的深度学习模型--密集卷积网络（DSC-Net），用于无参考图像质量评估（NR-IQA）。此外，将多模态数据用于深度学习明显改进各种应用的性能。多模态密集卷积网络（MDSC-Net）融合了灰度共生矩阵（GLCM）方法提取的纹理特征和DSC-Net方法提取的空间特征，并对图像质量进行预测。所提框架在基准合成数据集LIVE、TID2013和KADID-10k的性能表明，MDSC-Net方法在NR-IQA任务中表现出良好性能，超过了当前最先进的方法。

关键词组：无参考图像质量评估；盲图像质量评估；多模态密集卷积网络；深度学习；视觉效果；感知质量

Dynamic parameterized learning for unsupervised domain adaptation

Runhua JIANG, Yahong HAN

DOI: 10.1631/FITEE.2200631 Downloaded: 9444 Clicked: 2150 Cited: 0 Commented: 0(p.1616-1632) <Full Text>

Chinese summary <22> 无监督域自适应的动态参数化学习

蒋润华^1,2，韩亚洪^1,2
¹天津大学智能与计算学部，中国天津市，300350
²天津大学天津市机器学习重点实验室，中国天津市，300350
摘要：无监督领域自适应通过学习域不变表示实现神经网络从有标签数据组成的源域到无标签数据组成的目标域迁移。近期研究通过直接匹配这两个域的边缘分布实现这一目标。然而，已有研究大多数忽略域对齐和语义判别学习之间的动态平衡，因此容易受负迁移和异常样本影响。为解决这些问题，引入动态参数化学习框架。首先，通过探索领域级语义知识，提出动态对齐参数自适应地调整域对齐和语义判别学习的优化过程。此外，为获得判别能力强和域不变的表示，提出在源域和目标域上对齐优化过程。本文通过综合实验证明了所提出方法的有效性，并在3个视觉任务的7个数据集上进行广泛比较，证明可行性。

关键词组：无监督领域自适应；优化步骤；跨域判别表示；语义判别

High-emitter identification for heavy-duty vehicles by temporal optimization LSTMand an adaptive dynamic threshold

Zhenyi XU, Renjun WANG, Yang CAO, Yu KANG

DOI: 10.1631/FITEE.2300005 Downloaded: 5274 Clicked: 2441 Cited: 0 Commented: 0(p.1633-1646) <Full Text> <PPT> 468

Chinese summary <22> 基于时序优化长短期记忆和自适应阈值的高排放重型柴油车识别

许镇义¹，王仁军^1,2，曹洋^1,3,4，康宇^1,3,4
¹合肥综合性国家科学中心人工智能研究院，中国合肥市，230088
²安徽大学与合肥综合性国家科学中心人工智能研究院联合实验室，
中国合肥市，230601
³中国科学技术大学自动化系，中国合肥市，230027
⁴中国科学技术大学先进技术研究院，中国合肥市，230088
摘要：在实际场景中，重型柴油车是城市氮氧化物的重要来源，其排放的氮氧化物（NO_x）占车辆总排放量的80％以上，颗粒物（PM）占90％以上。检测和控制重型柴油车的排放对保护公众健康至关重要。目前，道路上的车辆必须每6个月或每年定期检测一次，在车辆检查站过滤出高排放的移动源。然而，由于年检间隔时间较长，很难及时有效地筛选出高排放车辆，而且固定的阈值不能适应车辆驾驶工况的动态变化。车载诊断设备（OBD）安装在车辆内部，可以连续跟踪和实时记录排放数据。本文提出一种时间优化长短期记忆（LSTM）和自适应动态阈值方法，使用OBD数据识别重型高排放车辆。首先，建立一个时间优化LSTM排放预测模型，以解决实际中大量OBD数据流造成的时间步注意力偏重问题。然后，利用灵活的阈值标准检测浓度预测误差序列，以区分异常排放情况，该阈值随驾驶条件变化自适应计算得到。最后，引入时间序列的相似性度量策略，以纠正一些假的异常结果。在3个真实OBD时间序列排放数据集上的实验表明，该方法得到优异的高排放源识别结果。

关键词组：高排放识别；时序优化；车载诊断设备（OBD）；动态阈值

Hybrid-driven Gaussian process online learning for highly maneuvering multi-target tracking

Qiang GUO, Long TENG, Tianxiang YIN, Yunfei GUO, Xinliang WU, Wenming SONG

DOI: 10.1631/FITEE.2300348 Downloaded: 6220 Clicked: 2068 Cited: 0 Commented: 0(p.1647-1656) <Full Text> <PPT> 471

Chinese summary <23> 基于混合驱动高斯过程学习的强机动多目标跟踪方法

国强¹，滕龙^1,2，尹天祥³，郭云飞³，吴新良²，宋文明²
¹哈尔滨工程大学信息与通信工程学院，中国哈尔滨市，150001
²中国航空无线电电子研究所，中国上海市，200233
³杭州电子科技大学自动化学院，中国杭州市，310018
摘要：现有机动目标跟踪方法在杂波环境中强机动目标的跟踪性能并不令人满意。本文提出一种混合驱动方法，利用数据驱动和基于模型算法的优点跟踪多个高机动目标。将时变恒速（CV）模型集成到在线学习的高斯过程（GP）中，提高高斯过程的预测性能。进一步与广义概率数据关联（GPDA）算法相结合，实现多目标跟踪。通过仿真实验可知，与广泛使用的机动目标跟踪算法如交互式多模型（IMM）和数据驱动的高斯过程运动跟踪器（GPMT）相比，提出的混合驱动方法具有显著的性能优势。

关键词组：目标跟踪；高斯过程；数据驱动；在线学习；模型驱动；概率数据关联

Correspondence

Correspondence: A high-isolation coupled-fed building block for metal-rimmed 5G smartphones

Aidi REN, Chengwei YU, Lixia YANG, Wei CUI, Zhixiang HUANG, Ying LIU

DOI: 10.1631/FITEE.2300203 Downloaded: 4020 Clicked: 1879 Cited: 0 Commented: 0(p.1657-1664) <Full Text> <PPT> 477

Chinese summary <23> 一种用于5G金属边框智能手机的高隔离度耦合馈电模块

任爱娣¹，余成苇¹，杨利霞¹，崔巍²，黄志祥¹，刘英³
¹安徽大学信息材料与智能感知安徽省实验室，中国合肥市，230601
²电磁环境效应航空科技重点实验室，中国沈阳市，110000
³西安电子科技大学天线与微波技术重点实验室，中国西安市，710071
摘要：提出一款应用于第五代金属边框智能手机的高隔离度两天线模块。基于一个蚀刻在地板上的T形缝隙，通过合理地设计一个耦合馈电环天线和一个耦合馈电缝隙天线，实现了一款紧凑的两天线模块。尽管耦合馈电环天线和耦合馈电缝隙天线共口径，两者之间的隔离度高于30 dB。随后，通过集成4个两天线模块，实现了一款8×8多入多出系统。该系统实测互耦和包络相关系数分别小于<−18.5 dB和<0.02。